基于MobileNet-YOLO的嵌入式人脸检测研究

【摘要】：在果园人脸检测过程中，一般人脸检测方法在光斑、树木阴影等复杂背景的影响下难以进行准确的检测，或拥有一定检测精度时无法检测较远距离的人脸。深度学习方法可以实现高精度、远距离检测，但需要昂贵的设备或通过云平台实时传输拍摄信息进行检测，成本过高。通过构建MobileNet-YOLO轻量级深度学习人脸检测算法，提高检测精度与检测距离的同时适用于嵌入式设备，使设备能直接进行人脸检测，降低成本，经LBPH人脸识别处理，仅对检测到人脸的图片进行保存与上传，减轻存储传输压力。选用嵌入式设备为Jetson Nano 2G与一般嵌入式设备相比在相同成本基础上搭载GPU提高了运算能力，更具经济性。试验结果表明，人脸检测算法检测距离达8 m,相较于SSD算法，检测速度提高1.92帧/s,检测的正脸准确率为99.91%,侧脸检测准确率为96.66%,相较于YOLOv4-tiny算法，正脸检测准确率提高0.93%,侧脸检测准确率提高0.12%。